小片段，大增益：学习长程重聚焦时序信息用于视频超分辨率

视频超分辨率（VSR）通过额外利用时序信息，可以实现比单图像超分辨率更好的性能。特别是，基于循环的 VSR 模型在推理过程中利用长程时序信息，实现了卓越的细节恢复。然而，在长视频中有效学习这些长程依赖关系仍然是一个关键挑战。为解决此问题，我们提出了 LRTI-VSR，这是一种用于循环 VSR 的新型训练框架，能够高效利用长程重聚焦时序信息。我们的框架包含一种通用训练策略，该策略在较短视频片段上训练时，利用来自长视频片段的时序传播特征。此外，我们引入了一个重聚焦的帧内与帧间 Transformer 模块，使 VSR 模型能够通过其注意力模块选择性地优先处理有用的时序信息，同时在 FFN 模块中进一步提高帧间信息的利用率。我们在基于 CNN 和 Transformer 的 VSR 架构上评估了 LRTI-VSR，并进行了广泛的消融研究以验证每个组件的贡献。在长视频测试集上的实验表明，LRTI-VSR 在保持训练和计算效率的同时，达到了最先进的性能。